沒(méi)有乘法的神經(jīng)網(wǎng)絡(luò)，你敢想象嗎？無(wú)論是單個(gè)神經(jīng)元的運(yùn)算還是卷積運(yùn)算，都不可避免地要使用乘法。

然而乘法對(duì)硬件資源的消耗遠(yuǎn)大于加法。如果不用乘法，全部改用加法應(yīng)該可以讓運(yùn)算速度大大提升。

去年年底，來(lái)自北京大學(xué)、華為諾亞方舟實(shí)驗(yàn)室、鵬城實(shí)驗(yàn)室的研究人員將這一想法付諸實(shí)踐，他們提出了一種只用加法的神經(jīng)網(wǎng)絡(luò)AdderNet（加法器網(wǎng)絡(luò)）。一作是華為諾亞方舟實(shí)習(xí)生，正在北大讀博三。

如今，這篇文章已經(jīng)被CVPR 2020收錄（Oral），官方也在GitHub上開(kāi)放了源代碼。有興趣的同學(xué)不妨前往一試究竟。

加法器網(wǎng)絡(luò)簡(jiǎn)介

加法器網(wǎng)絡(luò)的核心在于：用L1距離代替歐氏距離。

L1距離是求兩點(diǎn)之間坐標(biāo)差值的絕對(duì)值之和，因此全程不涉及乘法。

在這種新的定義下，反向傳播中用到的求偏導(dǎo)數(shù)運(yùn)算也變成了求減法。梯度下降的優(yōu)化過(guò)程也被叫做符號(hào)SGD（signSGD）。

在加法器網(wǎng)絡(luò)的新定義下，特征向量的空間分布也和CNN有很大的不同。

那么AdderNet的實(shí)際效果如何呢？

在CIFAR-10的圖像分類(lèi)任務(wù)中，AdderNet相比當(dāng)初Bengio等人提出的加法神經(jīng)網(wǎng)絡(luò)BNN性能有大幅提升，并且已經(jīng)接近了傳統(tǒng)CNN的結(jié)果。

開(kāi)源代碼

官方的AdderNet基于Python3和PyTorch。

先按照PyTorch的官方文檔準(zhǔn)備ImageNet數(shù)據(jù)集，運(yùn)行程序評(píng)估它在驗(yàn)證集上的效果：

python test.py —data_dir ‘path/to/imagenet_root/’

AdderNet可以在ImageNet數(shù)據(jù)集上達(dá)到74.9％的Top-1準(zhǔn)確度和91.7％的Top-5準(zhǔn)確度。

或者將CIFAR-10數(shù)據(jù)集下載到本地，測(cè)試一下它在CIFAR-10上的效果

python test.py —dataset cifar10 —model_dir models/ResNet20-AdderNet.pth —data_dir ‘path/to/cifar10_root/’

不過(guò)AdderNet仍需自己訓(xùn)練，官方表示將很快發(fā)布預(yù)訓(xùn)練模型。

現(xiàn)階段的AdderNet并非沒(méi)有缺陷，作者在項(xiàng)目主頁(yè)中說(shuō)，由于AdderNet是用加法過(guò)濾器實(shí)現(xiàn)的，因此推理速度較慢，需要用CUDA編寫(xiě)才能提高速度。

這與作者希望提高神經(jīng)網(wǎng)絡(luò)運(yùn)算速度的初衷還有一段距離。

但這篇論文的作者表示，今后還會(huì)繼續(xù)加法器神經(jīng)網(wǎng)絡(luò)的研究，發(fā)表更多的成果，讓我們一起期待這項(xiàng)研究取得新的進(jìn)展吧。

華為諾亞實(shí)驗(yàn)室實(shí)習(xí)生領(lǐng)銜打造

AdderNet這篇文章的一作名叫陳漢亭，畢業(yè)于同濟(jì)大學(xué)數(shù)學(xué)系，現(xiàn)在在北京大學(xué)信息科學(xué)技術(shù)學(xué)院攻讀博士學(xué)位，同時(shí)在華為諾亞方舟實(shí)驗(yàn)室實(shí)習(xí)。

在碩博連讀的前三年中，他已經(jīng)以一作身份發(fā)表了5篇論文，其中一篇《Data-Free Learning of Student Networks》被ICCV 2019收錄，另外它參與多篇論文還被NeurIPS、IJCAI、ICML等頂會(huì)收錄。